快速特征金字塔和Soft-Cascade在折角塞门图像故障检测中的应用

为了提升列车折角塞门的故障检测效率,提出了一种基于快速特征金字塔和Soft-Cascade的故障图像检测算法。首先,构建快速特征金字塔模型来提取图像多尺度聚合通道特征;其次,利用向量化后的多尺度聚合通道特征来训练Soft-Cascade故障分类器;最后,利用训练好的分类器来判断待检折角塞门是否含有故障。实验结果表明:该算法的故障检测正确率为97.33%,离线检测速度高达43fps(每张图像仅需23ms),检测效率高于其他算法。该算法训练时间短,检测速度快,硬件要求低,能满足列车折角塞门的故障检测要求。

改进积分通道特征的快速多尺度行人检测

针对积分通道特征冗余信息多,在多尺度行人检测中检测速度较慢的问题,提出了改进积分通道特征的快速多尺度行人检测算法。该方法首先采用快速特征金字塔计算图像不同尺度下的特征通道,避免对图像重复缩放计算特征通道;然后将检测窗口分为单元和块来对图像进行整体描述,代替原始方法的随机位置和大小矩形来减少冗余特征,最后计算单元和块内的像素和作为特征向量送入软级联Adaboost分类器进行分类。仿真实验结果表明,该算法检测精度优于积分通道特征算法,同时检测速度提高了15.4倍,在640×480大小图像上检测速度达到18.5 f/s。

基于可变形部件模型的粒子滤波快速行人检测与跟踪

针对视频中的行人检测和跟踪问题,提出一种基于可变形部件模型的快速行人检测、改进粒子滤波的行人跟踪算法。在行人检测阶段,为了改善非刚体行人的检测精度,采用了混合多尺度可变形部件模型;同时为了加速行人底层特征的计算,采用了基于预测算法的快速特征金字塔计算行人特征,代替传统的计算图像特征金字塔的每一个尺度特征。在行人跟踪阶段,采用时变的状态空间模型和基于颜色梯度直方图的观测模型对检测到的行人进行跟踪。实验证明,改进的行人检测算法可以在性能损失忽略不计的条件下,大大提高检测速度,并且相对于传统的行人跟踪,改进的粒子滤波算法对行人这一非刚性目标能实现较好的跟踪。

基于聚合通道特征的红外行人检测方法

基于红外图像的行人检测技术在夜间场景监控、汽车夜间辅助驾驶等相关领域具有重要的作用,然而受红外图像分辨率低、信噪比高等因素影响,当前的很多方法性能不佳。提出了一种基于图像特征通道的红外行人检测算法。利用快速特征金字塔技术在红外图像上进行了滑动窗口检测。实验结果证明,相对于其他常规算法,该算法在实时性和鲁棒性上都有很大的提升。